一种基于深度置信网络的超短期风电功率预测方法专利检索-监督学习机器学习人工智能人工智能专利检索查询-专利查询网

一种基于深度置信网络的超短期 风电功率预测方法

阅读：509发布：2020-05-13

专利汇可以提供一种基于深度置信网络的超短期风电功率预测方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于深度置信网络的超短期风电功率预测方法，该方法首先采集风电场的历史数据，得到训练样本集；然后利用训练样本对深度置信网络模型进行训练，得到训练后的深度置信网络模型；接着根据所述影响因素的待预测时刻的实际数据生成验证输入数据，同时将测试输入数据输入到已经完成训练的深度置信网络模型，模型输出值即为待预测时刻的风电功率预测值。本发明是基于深度置信网络模型的超短期风电功率预测方法，利用深度置信网络模型良好的特征筛选分析能力，提高了预测的精度，强化了模型的泛化能力。，下面是一种基于深度置信网络的超短期风电功率预测方法专利的具体信息内容。

权利要求

1.一种基于深度置信网络的超短期风电功率预测方法，其特征在于，包括以后步骤：
(1)分析并提取影响风电功率预测的特征影响因素，采集风电场的历史风功率数据向量，得到训练样本集[X1,X2,…,X16]；
(2)根据历史风功率数据生成输入向量以所对应的功率值的历史数据作为输出，得到新的训练样本[X1,X2,…,X16,Y]；
(3)对步骤(2)得到的训练样本进行数据预处理，剔除奇异值，得到各成分与输入输出的回归模型，对模型使用对比散度训练方法得到多元回归系数，从而建立深度置信网络模型；
(4)根据步骤(1)提取影响特征的风电场的历史功率向量[X1,X2,…,X16]，生成测试输入向量，并将测试输入向量输入到训练后的深度置信网络模型，其输出为待预测时刻的风电功率预测值Y；
(5)根据风电功率预测值Y向量，优化风电场的在线优化机组组合，包括调频和旋转备用容量。
2.根据权利要求1所述的基于深度置信网络的短期风电功率预测方法，其特征在于，步骤(2)包括根据特征影响因素的历史数据构造特征向量，得到深度置信网络模型的输入变量，所构造的特征向量表达式为：[X1,X2,…,X16]。
3.根据权利要求2所述的基于深度置信网络的超短期风电功率预测方法，其特征在于，步骤(2)中的深度置信网络的无监督学习过程包括逐层提取输入序列的内在特征。
4.根据权利要求1所述的基于深度置信网络的超短期风电功率预测方法，其特征在于，步骤(3)所述的对比散度训练方法得到的最优隐含节点个数是8-15。
5.根据权利要求1所述的基于深度置信网络的超短期风电功率预测方法，其特征在于，步骤(4)所述输入向量的维数为16。
6.根据权利要求1所述的基于深度置信网络的超短期风电功率预测方法，其特征在于，步骤(4)包括根据深度置信网络模型建立超短期风电功率预测模型，预测模型的输出为超短期风电功率预测结果。

说明书全文

一种基于深度置信网络的超短期风电功率预测方法

技术领域

[0001] 本发明属于新能源消纳技术，具体涉及一种基于深度置信网络的超短期风电功率预测方法。

背景技术

[0002] 对于风能资源的充分开发和高效利用，已经成为了对新能源发展的重要方向之一。然而，人们在开发和利用风能的同时也遇到了一些亟需解决的问题。因为风电本身具有随机性，波动性间歇性等特征，风电的大规模并网将会对电力系统造成巨大冲击，这些特点将会使得电网对于风能的消纳不小的挑战。目前，为了解决这一问题，可以有效地对风电功率进行预测，对于电网的安全经济调度、电力市场和风电场的运行都有重要意义。对风电功率的预测按时间尺度可大致分为以下几类，超短期、短期、中期、长期风电预测。超短期和短期风电预测可以提高电网的经济调度、选择合适的时机对风机进行维护。中期风电预测结果可以帮助风电场做季度发电计划。长期风电功率预测可以应用于风电场的规划选址。

[0003] 基于深度置信网络的短期风电功率预测需要充分考虑影响因素对于预测精度的影响，操作人员需要合理的选取影响因素，否则，忽略了重要因素对于预测结果的影响，短期风电功率预测将产生较大的误差，从而失去应用价值，造成不必要的损失。

[0004] 目前，对于短期风电功率的预测已经出现了很多方法，主要分为两大类：一是统计学习方法，利用风电场历史数据及周边风电场测量数据建立统计学习模型，其中统计学习方法包括时间序列分析法、人工神经网络、支持向量机等及其学习的方法；二是物理方法，结合物理数值天气预报的预测数据对风电进行预测。然而，实际操作时，如果选取的特征或者影响因素过多时，可能会导致预测的模型结构复杂化，训练效率降低，因此，选择合适的预测算法简化预测模型的结构，对于提高建模的效率和预测的精度有着十分重要的意义。

发明内容

[0005] 发明目的：针对现有技术中风电功率预测存在的缺陷，本发明提供一种基于深度置信网络的超短期风电功率预测方法。

[0006] 技术方案：一种基于深度置信网络的超短期风电功率预测方法，包括以后步骤：

[0007] (1)分析并提取影响风电功率预测的特征影响因素，采集风电场的历史风功率数据向量，得到训练样本集[X1,X2,···,X16]；

[0008] (2)根据历史风功率数据生成输入向量以所对应的功率值的历史数据作为输出，得到新的训练样本[X1,X2,···,X16,Y]；

[0009] (3)对步骤(2)得到的训练样本进行数据预处理，剔除奇异值，得到各成分与输入输出的回归模型，对模型使用对比散度训练方法得到多元回归系数，从而建立深度置信网络模型；

[0010] (4)根据步骤(1)提取影响特征的风电场的历史功率向量[X1,X2,···,X16]，生成测试输入向量，并将测试输入向量输入到训练后的深度置信网络模型，其输出为待预测时刻的风电功率预测值Y。

[0011] (5)步骤(4)中输出的风电功率预测值Y向量，优化调频和旋转备用容量，对风电场的在线优化机组组合进行优化调度。

[0012] 进一步的，步骤(1)所述的特征影响因素包括：预测点之前的风电功率历史数据。

[0013] 步骤(2)包括根据特征影响因素的历史数据构造特征向量，得到深度置信网络模型的输入变量，所构造的特征向量为：[X1,X2,···,X16]。

[0014] 步骤(2)中利用深度置信网络的无监督学习过程逐层提取输入序列的内在特征。

[0015] 更进一步的，步骤(3)所述的对比散度训练方法得到的最优隐含节点个数是8-15。

[0016] 步骤(4)所述输入向量的维数为16。

[0017] 有益效果：和现有的技术模型相比，本发明利用深度置信网络回归方法具有良好的特征筛选能力，同时包含数据回归模型建立、高维数据特征筛选等特点，不仅简化了预测模型结构，而且改善了预测的精度与泛化能力。并且建立了基于深度学习的超短期风电功率预测模型，预测精度明显优于传统的神经网络模型，极大地提高了风电功率超短期预测的精确度。附图说明

[0018] 图1为本发明的基于深度置信网络的超短期风电功率预测方法的工作流程图；

[0019] 图2为本发明的基于深度置信网络的超短期风电功率预测值与真实值仿真图；

[0020] 图3为本发明的基于深度置信网络的超短期风电功率预测误差仿真图。

具体实施方式

[0021] 为了详细的说明本发明所公开的技术方案，下面结合说明书附图和具体实施例做进一步的阐述。

[0022] 如图1所示，本发明的基于深度置信网络的超短期风电功率预测方法，步骤如下：

[0023] 1)对风电功率数据进行分析研究，提取跟风电功率数据密切相关的特征，采集风电场的历史数据，得到训练样本集；其中，所提取的特征信息包括：预测点前一小时的功率值，预测点前两小时的功率值，预测点前三小时的功率值，预测点前四个小时的功率值。

[0024] 2)根据所提取特征的历史数据生成输入变量的具体步骤如下：首先利用对历史数据进行窗口滑动构造特征向量，接着对所述特征向量进行预处理，得到所述输入变量。

[0025] 3)利用步骤2)得到的所述训练样本进行预处理，并且用生成的样本集对深度置信网络模型进行预训练，从而建立深度置信网络回归模型；

[0026] 根据步骤1)提取的特征的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入到训练后的深度置信网络回归模型，其输出即为待预测时刻的风电功率预测值。深度置信网络回归模型通过良好特征提取优势，对各成分进行特征提取降低模型复杂度，得到回归模型。接着，利用特征向量与其训练得到的深度置信网络回归模型对风电功率预测进行回归预测，便可求出预测的Y向量。

[0027] 其中，深度置信网络(DBN)的基本思想是通过多个叠加的受限玻尔兹曼机，对高维非线性特征向量进行特征提取，再通过求出预测值。下面为基于深度置信网络的超短期风电功率预测方法及步骤的具体过程。

[0028] 1)对输入变量X和体质输出变量Y进行标准化处理(包括减均值、除标准差等)。

[0029] 2)受限玻尔兹曼机的节点间的能量定义如下：

[0030] E(v,h)＝-vTwh-bTv-dTh

[0031] 其中，v表示输入的历史功率数据，h表示从输入数据中提取的特征，w表示节点之间的权重，a,d分别表示可见层和隐含层次的偏置。

[0032] 3)(v,h)服从玻尔兹曼分布，联合概率定义为：

[0033]

[0034] 其中，θ是模型的参数，包括权重矩阵和偏置向量。Zθ是归一化因子，其定义为：

[0035]

[0036] 4)给定变量的值，根据模型参数可以得到隐藏变量的条件概率：

[0037]

[0038] 对h所有可能的取值进行求和，得到对v的边缘概率值：

[0039]

[0040] 隐藏节点的条件概率是相互独立的。在已知可见变量v的条件下：

[0041] p(h|v)＝p(h1|v)···p(hn|v)

[0042] 5)以同样的方式可以求得p(v|h)。

[0043] 已知可见变量的值时某一个隐藏变量的值为1的概率

[0044] p(hi＝1|v)＝σ(vTwi+di)

[0045] 利用对比散度训练方法进行训练，调整参数直至收敛。至此，利用上述深度置信网络方法便可实现超短期风电功率的预测。

[0046] 为了验证本发明方法的有效性，也为了验证本发明方法的有效性。下面以风电功率为例做详细介绍。

[0047] 利用中国辽宁某风电场的风电功率时间序列进行仿真测试，数据分辨率为15min，选取相邻四小时作为输入，超前15min预测。其中原始数据17维，输入数据16维，选取预测点之前风电场的功率出力历史数据，将整个数据集划分为训练集和验证集，根据划分的训练集，用来训练建立的预测模型，再根据验证集数据，用来检验预测效果。本次验证模型采用800个采样点，前80％用来训练，后20％用来测试。首先对输入样本进行归一化处理，再使用MATLAB对数据进行训练，得到预测模型，使用测试样本进行超短期风电功率预测。

[0048] 评价预测性能一般使用两个指标：平均绝对误差(MAPE)和均方根误差(RMSE)。

[0049]

[0050] 其中，ytru为真实风电功率值，yfor为预测风电功率值。

[0051]

[0052] 其中，ytru为真实风电功率值，yfor为预测风电功率值。

[0053] 表1DBN模型预测结果评价指标

[0054]评价指标 MAPE RMSE
DBN模型 0.6428 4.4912

[0055] 预测结果如下图2、3所示，并且预测精度比较高。从图中可以看出，本发明方法预测的风电输出功率有很好的预测效果。综上所述，本发明可实现风电功率的预测，可用于实际工程应用。

标题	发布/更新时间	阅读量
基于长短期记忆网络的梯级水电站发电量预测方法	2020-05-11	89
一种文本标签提取系统	2020-05-12	30
一种针对图像数据的对抗样本生成方法及系统	2020-05-13	20
一种稻米加工在线工艺检测方法	2020-05-12	455
基于CDBN-SVR的空气预热器转子变形软测量方法	2020-05-13	882
基于伪标签方法和弱监督学习的过程数据故障分类方法	2020-05-08	666
一种特征权重自学习的睡眠质量检测关键脑区判定方法	2020-05-08	50
无线网络资源分配方法、系统及存储介质	2020-05-08	41
一种基于类激活映射图引导的正则化方法及系统	2020-05-11	272
一种基于弱监督学习的目标定位方法	2020-05-11	564

一种基于深度置信网络的超短期风电功率预测方法

一种基于深度置信网络的超短期风电功率预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：